语言:

• 英文 标签:
• 目标检测
• 车牌识别
• 车辆检测 示例:
• 图片链接: https://drive.google.com/uc?id=1j9VZQ4NDS4gsubFf3m2qQoTMWLk552bQ 示例标题: "斯柯达1"
• 图片链接: https://drive.google.com/uc?id=1p9wJIqRz3W50e2f_A0D8ftla8hoXz4T5 示例标题: "斯柯达2" 评估指标:
• 平均精度
• 召回率
• 交并比 任务类型: 目标检测

YOLOS（小尺寸）模型

该模型是基于hustvl/yolos-small在Roboflow的licesne-plate-recognition数据集上微调的版本，训练集包含5200张图像，验证集包含380张图像。原始YOLOS模型是在COCO 2017目标检测数据集（11.8万张标注图像）上微调的。

模型描述

YOLOS是一种使用DETR损失训练的视觉Transformer（ViT）。尽管结构简单，基础尺寸的YOLOS模型在COCO 2017验证集上能达到42 AP（与DETR及更复杂的框架如Faster R-CNN相当）。

用途与限制

您可将该原始模型用于目标检测任务。访问模型库查看所有可用YOLOS模型。

使用方法

使用方式如下：

from transformers import YolosFeatureExtractor, YolosForObjectDetection
from PIL import Image
import requests

url = 'https://drive.google.com/uc?id=1p9wJIqRz3W50e2f_A0D8ftla8hoXz4T5'
image = Image.open(requests.get(url, stream=True).raw)
feature_extractor = YolosFeatureExtractor.from_pretrained('nickmuchi/yolos-small-finetuned-license-plate-detection')
model = YolosForObjectDetection.from_pretrained('nickmuchi/yolos-small-finetuned-license-plate-detection')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)

# 模型预测边界框及对应车牌检测类别
logits = outputs.logits
bboxes = outputs.pred_boxes

当前特征提取器和模型均仅支持PyTorch。

训练数据

YOLOS模型先在ImageNet-1k预训练，后在COCO 2017目标检测数据集（含11.8万训练图像/5千验证图像）上微调。

训练过程

本模型在licesne-plate-recognition数据集上进行了200轮微调。

评估结果

该模型达到49.0的平均精度（AP）。

正在汇总评估结果...

交并比指标：边界框